usr_profile

[jiangjiane]

你好，重排模型中没有使用用户特征吗？

[wwliu555]

你好，我们是使用了用户特征的，可以参考我们的Data statistic部分对于数据的描述

[yaobik]

你好，实际没有使用用户特征吧。用户特征处理的维度对应不上，实际embedding也没有使用。

[wwliu555]

哦对的对的，目前放出来的版本都是没有使用用户特征的，如果要使用的话，直接把所注释掉的self.usr_prof_emb拼接上就可以了。

[yaobik]

打扰您，最近一直在看文章和代码，收获很多，但是在用户特征的实现上还没有太理解，请问具体怎么拼接呢？
usr_prof_emb的维度是 [B,8,16]->[batch_size, usr_prof_num, embedding_dim]
参考PRM是否应该转换然后复制成 [B,10,168]->[batch_size, max_time_len, usr_prof_num*embedding_dim]
item_seq的维度是[B,10,81]->[B, max_time_len, itm_spar_num*eb_dim+1*item_dese_num]
然后得到新的item_seq [B,10,81+168]
不知道这样理解是否正确呢

[yaobik]

另外还想请教训练参数的问题，我重构了大规模真实生产环境的样本。在训练时我发现训练同样多的数据，batch size越小， 训练时的的评估指标收敛越快。这是什么原因导致的呢？还是说这是不正常的，可能我的训练数据还有问题。

而且用户特征并不是特别有效【如果我上面的理解的拼接方式ok的话】，增加6个用户属性的基础特征可以提升千分之2，增加10几个用户的行为序列特征，map@20、ndcg@20指标只能提升千分之一。我理解是拼接的用户向量维度过长反而对item向量的学习有干扰，不知道是不是这样。

[wwliu555]

打扰您，最近一直在看文章和代码，收获很多，但是在用户特征的实现上还没有太理解，请问具体怎么拼接呢？ usr_prof_emb的维度是 [B,8,16]->[batch_size, usr_prof_num, embedding_dim] 参考PRM是否应该转换然后复制成 [B,10,16_8]->[batch_size, max_time_len, usr_prof_numembedding_dim] item_seq的维度是[B,10,81]->[B, max_time_len, itm_spar_numeb_dim+1*item_dese_num] 然后得到新的item_seq [B,10,81+16_8] 不知道这样理解是否正确呢

对的，我们之前尝试的也是这么做的。

[wwliu555]

另外还想请教训练参数的问题，我重构了大规模真实生产环境的样本。在训练时我发现训练同样多的数据，batch size越小， 训练时的的评估指标收敛越快。这是什么原因导致的呢？还是说这是不正常的，可能我的训练数据还有问题。

而且用户特征并不是特别有效【如果我上面的理解的拼接方式ok的话】，增加6个用户属性的基础特征可以提升千分之2，增加10几个用户的行为序列特征，map@20、ndcg@20指标只能提升千分之一。我理解是拼接的用户向量维度过长反而对item向量的学习有干扰，不知道是不是这样。

batch size越小收敛越快我理解是完全有可能的，在测试集上选择最优参数就好。另外用户属性和行为特征可能未必都有用，这个建议也是要根据数据集特性做些调整和筛选。

[yaobik]

打扰您 我想再请教个问题 构建样本的时候 是否需要将没有正样本的请求批次数据去掉呢?